Critical effect size values and why to report them

Iniziamo con un esempio

• Non abbiamo trovato una correlazione positiva tra la variabile X e la variabile Y (\(n = 18\) , \(r = .40\), \(p = .100\))

• Abbiamo trovato una correlazione positiva tra la variabile X e la variabile Y (\(n = 1000\), \(r = .08\), \(p = .011\))

Cos’è il critical effect size value?

E’ il più piccolo effect size associato a \(p < 0.05\) (quindi significativo), dato il sample size (e la direzione del test).

• Nel primo esempio la correlazione non era significativa, ma il critical effect size value era \(r = ±.468\). Ma… una correlazione di .30 non sarebbe rilevante?

• Nel secondo esempio il critical effect size value era \(r = ± 0.062\), per cui effetti così piccoli da essere praticamente irrilevanti possono essere comunque significativi.

Nella pratica, come ci aiutano i critical effect size values?

Prima di condurre uno studio:

• pre-allertano sull’insufficienza di considerare \(p < .05\) nell’interpretazione dei risultati

Quando lo studio è già stato svolto:

• aiutano i revisori a meglio contestualizzare i risultati

In più..

• dal punto di vista didattico aiutano a comprendere meglio la relazione tra significatività statistica, grandezza del campione e effect size

Take-home message

• Ora vi starete chiedendo:

• Il nostro suggerimento è la COLLABORAZIONE tra psicologi, psicometristi e statistici